Kursus R dan Python

Pelajaran 1 • Menginstal R dan RStudio

Instal R base dan IDE RStudio di Windows, macOS, dan Linux. Membangun workspace R dasar yang digunakan selama kursus.

Pelajaran 2 • Mengelola Paket dan Library

Instal dan perbarui paket menggunakan CRAN di R dan pip/conda di Python. Memastikan mahasiswa dapat memperluas kedua lingkungan dengan alat pihak ketiga.

Pelajaran 3 • Menginstal Python dan Anaconda

Instal Python melalui distribusi Anaconda dan konfigurasikan Jupyter Notebook. Menyediakan workspace Python yang menjadi cerminan pengaturan R untuk pembelajaran paralel.

Pelajaran 1 • Struktur Alur Kontrol

Tulis pernyataan if/else, loop for, dan loop while di kedua bahasa. Memungkinkan logika kondisional dan iterasi yang penting untuk skrip pemrosesan data.

Pelajaran 2 • Penanganan Kesalahan dan Debugging

Gunakan tryCatch di R dan try/except di Python untuk menangani kesalahan runtime dengan baik. Membangun kebiasaan coding defensif yang penting untuk skrip berkualitas produksi.

Pelajaran 3 • Menulis dan Memanggil Fungsi

Definisikan fungsi yang dapat digunakan kembali dengan parameter, nilai default, dan pernyataan return. Mendorong desain kode modular yang diterapkan di setiap bab berikutnya.

Pelajaran 4 • Variabel dan Tipe Data

Deklarasikan variabel dan bekerja dengan tipe numerik, karakter, logis, dan kompleks di kedua bahasa. Membangun kesadaran tipe yang diperlukan untuk semua manipulasi data selanjutnya.

Pelajaran 1 • List dan Tuple

Simpan data heterogen di list R serta list dan tuple Python. Mencakup struktur bersarang dan pola akses elemen yang digunakan dalam pipeline data yang kompleks.

Pelajaran 2 • Vektor dan Array

Buat dan indeks vektor satu dimensi di R dan array NumPy di Python. Menetapkan wadah data atom yang digunakan dalam semua komputasi numerik.

Pelajaran 3 • Kamus dan Set di Python

Gunakan kamus Python untuk penyimpanan key-value dan set untuk koleksi elemen unik. Menyediakan alat pencarian dan deduplikasi yang diperlukan dalam alur kerja pembersihan data.

Pelajaran 4 • DataFrame Pandas di Python

Bangun dan manipulasi DataFrame Pandas sebagai struktur tabular utama Python. Mencerminkan bagian data frame R untuk memungkinkan perbandingan langsung antar bahasa.

Pelajaran 1 • Menangani Data yang Hilang

Deteksi, hapus, dan imputasi nilai yang hilang menggunakan metode base R dan Pandas. Memastikan kualitas data sebelum langkah pemodelan atau visualisasi.

Pelajaran 2 • Mengelompokkan dan Mengagregasi Data

Ringkas data berdasarkan grup menggunakan group_by/summarize di R dan groupby/agg di Python. Menghasilkan statistik ringkasan yang diperlukan untuk pelaporan dan visualisasi.

Pelajaran 3 • Membentuk Ulang Data: Format Lebar dan Panjang

Pivot data antara format lebar dan panjang menggunakan tidyr serta melt/pivot Pandas. Menyiapkan data dalam bentuk yang diperlukan oleh library visualisasi dan pemodelan.

Pelajaran 4 • Mengimpor dan Mengekspor Data

Baca file CSV, Excel, dan JSON ke dalam R dan Python, lalu tulis hasilnya kembali ke disk. Membangun pipeline ingesti data yang menjadi masukan semua langkah transformasi.

Pelajaran 1 • Visualisasi Statistik dengan Seaborn

Hasilkan plot distribusi, kategorikal, dan relasional menggunakan API tingkat tinggi Seaborn. Memperluas Matplotlib dengan ringkasan statistik bawaan dan default yang menarik.

Pelajaran 2 • Membuat Plot dengan Matplotlib di Python

Buat figure dan axes menggunakan API berorientasi objek Matplotlib. Menyediakan lapisan plotting Python fundamental yang menjadi dasar Seaborn dan Pandas.

Pelajaran 3 • Mengkustomisasi dan Mengekspor Bagan

Terapkan gaya, anotasi, dan pengaturan ekspor yang konsisten di seluruh plot R dan Python. Memastikan visualisasi memenuhi standar pelaporan dan publikasi profesional.

Pelajaran 4 • Prinsip Visualisasi dan Pemilihan Bagan

Terapkan prinsip pengkodean visual untuk memilih bagan yang tepat untuk setiap tipe data. Mendasari semua pekerjaan plotting selanjutnya dengan praktik terbaik desain.

Pelajaran 1 • Pengujian Hipotesis

Jalankan uji-t, uji chi-kuadrat, dan ANOVA menggunakan R dan scipy.stats di Python. Memungkinkan perbandingan formal kelompok dan hubungan dalam data.

Pelajaran 2 • Distribusi Probabilitas

Ambil sampel dari dan evaluasi distribusi normal, binomial, dan Poisson di R dan Python. Membangun fondasi probabilistik yang diperlukan untuk pengujian hipotesis dan pemodelan.

Pelajaran 3 • Korelasi dan Regresi Sederhana

Ukur hubungan linier dengan koefisien korelasi dan pasangkan model regresi linier sederhana. Mempersiapkan mahasiswa untuk bab pembelajaran mesin penuh yang mengikuti.

Pelajaran 4 • Interval Kepercayaan dan Sampling

Bangun interval kepercayaan dan pahami variabilitas sampling di kedua bahasa. Menghubungkan teori probabilitas ke inferensi praktis pada dataset nyata.

Pelajaran 1 • Penyetelan dan Validasi Model

Optimalkan hyperparameter menggunakan grid search dan cross-validation di kedua bahasa. Memastikan model dapat digeneralisasi melampaui data pelatihan sebelum deployment.

Pelajaran 2 • Model Regresi

Latih model regresi linier dan polinomial serta nilai kecocokannya menggunakan cross-validation. Memperluas regresi sederhana dari Bab 6 ke bentuk regularisasi dan nonlinier.

Pelajaran 3 • Model Klasifikasi

Latih regresi logistik, pohon keputusan, dan random forest untuk tugas klasifikasi. Mencakup pengklasifikasi yang paling banyak digunakan dalam alur kerja ML profesional.

Pelajaran 4 • Ikhtisar Alur Kerja Pembelajaran Mesin

Bingkai pipeline ML lengkap dari definisi masalah hingga evaluasi model. Menyediakan peta konseptual yang mengatur semua bagian pemodelan selanjutnya.

Pelajaran 1 • R Markdown untuk Laporan Dinamis

Gabungkan kode R, teks naratif, dan output dalam satu dokumen R Markdown. Memungkinkan analis menyampaikan laporan HTML, PDF, dan Word yang reprodusibel.

Pelajaran 2 • Menghubungkan R dan Python dalam Satu Alur Kerja

Panggil Python dari R menggunakan paket reticulate dan berikan objek antar sesi. Membuka alur kerja hibrida yang memanfaatkan kekuatan kedua bahasa.

Pelajaran 3 • Organisasi Proyek dan Praktik Terbaik

Struktur proyek R dan Python dengan tata letak folder, konvensi penamaan, dan file README yang konsisten. Memastikan keberlanjutan jangka panjang dan kolaborasi tim.

Pelajaran 4 • Jupyter Notebook untuk Laporan Python

Struktur analisis di Jupyter Notebook dengan sel markdown, sel kode, dan output kaya. Menyediakan padanan Python dari R Markdown untuk dokumen analitis yang dapat dibagikan.